晶圆缺陷识别可靠性量化算法

未知缺陷识别97%

通过混合不确定性量化，为深度卷积神经网络的每一次晶圆缺陷识别决策给出可靠性估计，降低误检与漏检风险。

Xu, Qiao · 于乃功 · Hasan, Mohammad Mehedi

Applied Soft Computing Journal 2023

参数信息

未知缺陷图案识别准确率

97.04 %

已知缺陷图案识别准确率提升

7.89 %

技术优势

能评估每次预测的可靠性

通过量化混合不确定性（认知不确定性和偶然不确定性），为每个识别决策给出可靠性分数，从而减少盲信模型输出带来的误判。

未知缺陷也能稳定识别

实验表明，引入混合不确定性后，对训练中未见过的缺陷图案识别准确率高达97.04%，模型面对新缺陷不再抓瞎。

可以少标很多数据

该方法对已知缺陷识别准确率最高提升7.89%，意味着可以在同等性能下减少对大量标注数据的依赖，或者在不增加标注成本的情况下提升识别效果。

两种不确定性方法都覆盖了

对认知不确定性，用Monte Carlo dropout并研究了drop rate、作用位置和不确定性准则的影响；对偶然不确定性，提出基于Monte Carlo augmentation的计算方法。

应用场景

• 半导体制造质量管控：为质检环节提供更可靠的缺陷识别，降低误检导致的良率误判。
• 晶圆缺陷检测：让晶圆缺陷检测系统能标记出不确定的识别结果，人工复核更精准。
• 工业大数据分析：在晶圆图大数据分析中量化每个决策的可靠性，避免盲目相信模型。
• 智能制造过程监控：为智能制造过程监控提供带可靠性度量的缺陷识别，异常处理更及时。